論文の概要: How Simple Can It Get? From Interpretable Equations to Readable Rules for Financial Decision Making

• arxiv url: http://arxiv.org/abs/2608.09433v1
• Date: Mon, 10 Aug 2026 11:05:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:37.214824
• Title: How Simple Can It Get? From Interpretable Equations to Readable Rules for Financial Decision Making
• Title（参考訳）: 解釈可能な方程式から可読なルールまで、どんなに簡単にできるのか?
• Abstract要約: 金融などの規制領域では、説明できないモデルは配備できない。 我々はこれをより読みやすい形式に段階的に単純化する。 4つのファイナンシャルデータセットで、プルーニングはほぼ自由であり、フィデリティは予測性能よりも高速にエローディングできることがわかった。
• 参考スコア（独自算出の注目度）: 3.3772986620114387
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In regulated domains such as finance, a model that cannot be explained cannot be deployed, yet many interpretable classifiers defeat their own purpose by producing formulas with dozens of features that no regulator could read. We take the reverse direction. Starting from an interpretable classifier expressed as a single equation over the input features, we progressively simplify it into more readable forms, including a pruned monomial, a directional if--then rule, and the integer scorecards and tallies that finance already deploys. Because the equation is itself the predictive model rather than a post-hoc explanation we can directly quantify what is lost under each simplification. Across four financial datasets, we find that pruning is nearly free and that fidelity can erode faster than predictive performance, allowing simpler rules to remain effective classifiers without faithfully reproducing the original model. A human assessment shows that simplification improves perceived readability, while preferences for different representations vary by professional background. Beyond measuring these losses empirically, we show that some can be anticipated from the original model: we derive a bound on the change caused by pruning and predict how faithfully a rule retaining only the direction of each feature's effect preserves the original ranking.
• Abstract（参考訳）: 金融などの規制領域では、説明できないモデルは配備できないが、多くの解釈可能な分類器は、規制機関が読めない何十もの特徴を持つ公式を生産することによって、自らの目的を破る。 私たちは逆の方向を取る。 入力特徴量に対して単一の方程式として表現された解釈可能な分類器から始めて、より読みやすい形式へと徐々に単純化する。 方程式自体がポストホックな説明ではなく予測モデルであるため、各単純化の下で失うものを直接定量化することができる。 4つのファイナンシャルデータセットを通して、プルーニングはほぼ自由であり、フィデリティは予測性能よりも早く劣化し、元のモデルを忠実に再現することなく、より単純なルールを効果的に分類できることがわかった。 人間の評価は、単純化によって読みやすさが向上し、異なる表現の好みは専門的背景によって異なることを示している。 これらの損失を実証的に測定する以外に、元のモデルから期待できるものもいくつか示している: 刈り取ることによる変化の限界を導出し、各特徴の効果の方向のみを忠実に保持する規則が、元のランクを保っているかを予測する。

関連論文リスト

• Sparse Oblique Rule Boosting for Simpler Additive Rule Ensembles [6.233380277719077]
  我々は、入力変数の学習可能なスパース線形変換を導入することにより、古典的な規則アンサンブルを拡張する。 提案手法は、類似またはより良い予測精度を維持しながら、競合するベースラインよりもモデルの複雑さを低くする。
  論文  参考訳（メタデータ） (2026-09-06T06:59:16Z)
• Simplex Relaxation for Discrete Diffusion [58.33696160279345]
  Simplax(Simplax)はディリクレ(Dirichlet)のカテゴリー拡張で、それぞれが崩壊したカテゴリ状態と補助的単純度値変数を結合する。 Simplaxは生成パープレキシティーを改善する。-無条件のOpenWebText生成におけるエントロピートレードオフ。
  論文  参考訳（メタデータ） (2026-08-11T07:58:17Z)
• A Fiber Criterion for Representation Identifiability in Supervised Learning [0.0]
  教師付き学習は、その入出力行動を通じて予測器を評価する。 本稿では,結果の表現レベル識別可能性問題を定式化する。 その結果、表現レベルのクレームは、予測行動だけでなく、仮定、目的、測定、帰納的バイアスを必要とすることが明らかとなった。
  論文  参考訳（メタデータ） (2026-05-31T08:25:07Z)
• Interpretability Without Tradeoffs: Disentangling Polysemanticity At Equal Predictive Performance [58.49623467782041]
  ELUDeはディープニューラルネットワークの解釈可能性を改善する方法である。 潜在表現を、解釈可能な機能のように振る舞う透明で検査可能なサブユニットに分解する。 明示的なトレーニングもラベルも必要とせず、事前訓練されたモデルにも適用できる。
  論文  参考訳（メタデータ） (2026-05-29T13:39:09Z)
• Pando: Do Interpretability Methods Work When Models Won't Explain Themselves? [53.07826484214082]
  モデル・オーガニゼーションのベンチマークであるPandoを紹介します。 Pandoは、ラベル付きクエリ-レスポンスペアから、ホールドアウトモデル決定を予測する。 説明が忠実であれば、ブラックボックスの引用はすべてのホワイトボックスメソッドに一致するか、超える。
  論文  参考訳（メタデータ） (2026-04-13T06:42:24Z)
• Residualized Similarity for Faithfully Explainable Authorship Verification [18.7598434282115]
  Residualized similarity (RS) は、ニューラルネットワークによる解釈可能な特徴を用いたシステムのサプリメントを行い、性能を向上する新しい手法である。 4つのデータセットで評価したところ、最先端のオーサシップ検証モデルの性能に適合するだけでなく、最終的な予測が忠実で解釈可能な程度にどの程度の精度で適用できるかが分かる。
  論文  参考訳（メタデータ） (2025-10-06T20:41:17Z)
• Unsupervised Representation Learning from Sparse Transformation Analysis [79.94858534887801]
  本稿では,潜在変数のスパース成分への変換を分解し,シーケンスデータから表現を学習することを提案する。 入力データは、まず潜伏活性化の分布として符号化され、その後確率フローモデルを用いて変換される。
  論文  参考訳（メタデータ） (2024-10-07T23:53:25Z)
• When Does Confidence-Based Cascade Deferral Suffice? [69.28314307469381]
  カスケードは、推論コストをサンプル毎に適応的に変化させる古典的な戦略である。 deferralルールは、シーケンス内の次の分類子を呼び出すか、または予測を終了するかを決定する。 カスケードの構造に執着しているにもかかわらず、信頼に基づく推論は実際は極めてうまく機能することが多い。
  論文  参考訳（メタデータ） (2023-07-06T04:13:57Z)
• Regularizing Variational Autoencoder with Diversity and Uncertainty Awareness [61.827054365139645]
  変分オートエンコーダ(VAE)は、償却変分推論に基づいて潜伏変数の後部を近似する。 よりディバースで不確実な潜在空間を学習するための代替モデルDU-VAEを提案する。
  論文  参考訳（メタデータ） (2021-10-24T07:58:13Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。